张量投票法及其应用

张量投票法是一种提取图像特征的新方法,它利用张量鲁棒性强的特性,提取图像中点、线、面特征的特点,消除图像中孤立点显著性,突出所提取的线、面特征,重新构建图像,从而达到去除噪声、突出边缘的目的。通过实验证明,张量投票法在提取边缘及点特征方面有着显著的效果。     

结合张量投票和Snakes模型的SAR图像道路提取

目的 Snakes模型对曲线轮廓具有良好的拟合能力,被广泛应用于遥感图像的道路提取。但SAR图像受乘性斑点噪声影响严重,因此利用Snakes模型从SAR图像提取道路时,传统的以图像灰度负梯度为外部能量的方法难以取得理想结果。针对这一问题,利用计算机视觉中的张量投票算法可以从噪声掩盖的图像中提取显著结构特征的特点,将张量投票与Snakes模型结合从SAR图像提取道路。方法 首先利用模糊C均值分割法从SAR图像中分割出道路类,然后对道路类进行张量投票获得每点的曲线显著性值,最后以该曲线显著性值的负值作为Snakes模型外部能量从SAR图像提取道路。在Snakes模型能量最小化阶段,提出了一种优化的拟合策略,一边内插节点一边最小化Snakes模型能量。结果 利用机载和星载不同场景的SAR图像进行实验,与同类的基于Snakes模型的半自动方法相比,本文方法对曲率较大的道路仅需较少控制点即可取得较好的拟合效果;与基于MRF模型的自动方法相比,本文方法对道路提取的完整率、正确率、检测质量都优于基于MRF模型的方法,并且提取的时间远远快于基于MRF模型的方法,对于大范围的道路网提取将更为实用。结论 本文方法充分考虑到道路的几何形态特征,利用张量投票算法对该特征进行量化,并利用优化的拟合策略来最小化Snakes模型能量来提取道路。基于机载和星载SAR图像的实验表明本文方法可以较好地提取不同场景中的主要道路目标和道路网。     

基于张量投票的主动轮廓边缘提取

提出一种基于张量投票的主动轮廓边缘提取算法。该算法对图像进行张量编码,将其转化为二阶对称的半正定张量,每个输入张量通过预定的投票域对邻近数据进行稀疏投票,投票后每个输入点收集自身获得的选票,再进行稠密投票,以获得轮廓的显要特征,从而实现主动轮廓的边缘提取。实验结果表明,该算法能有效提取图像轮廓边缘,得到较好的物体主动轮廓模型。     

基于张量投票的摄像机自标定方法研究

针对传统的基于Kruppa方程摄像机自标定算法的欠鲁棒性,首次提出将鲁棒的张量投票算法用于摄像机自标定方法中。利用基于尺度不变的SIFT算法查找并匹配出每对图像的特征点,其中待匹配图像由摄像机对同一场景从三个不同角度位置拍摄,对图像张量投票后按棒张量特征值降序排序,由此筛选得到具有鲁棒性边缘特征的前八对特征点,利用八点算法求解相应的基础矩阵和极点,根据Kruppa方程和三维重建（SFM）算法求得摄像机参数矩阵。实验结果证明,该方法具有较高标定精度,并通过加入高斯噪声的仿真实验证明该算法是一种鲁棒的摄像机自标定方法。     

基于解析张量投票的散乱点云特征提取

针对传统张量投票算法在散乱点云特征提取过程中计算复杂、算法效率低等问题,提出了基于解析张量投票的散乱点云特征提取。首先,深入分析张量投票理论的基本思想,分析传统张量投票算法的不足及其根源。其次,设计了一种新的解析棒张量投票机制,实现了解析棒张量投票的直接求取,在此基础上,利用解析棒张量投票不依赖参考坐标系的特性,设计并求解了解析板张量投票和解析球张量投票表达式,而传统张量投票理论仅能通过迭代数值进行估算,过程复杂、效率低、精度与效率存在矛盾。然后,对解析张量投票后的散乱点云张量矩阵进行特征分解,根据特征显著性值实现特征提取。最后,通过仿真分析和对比实验验证了该算法在精度和计算效率方面的性能均优于传统张量投票算法,能够实现散乱点云的鲁棒特征提取。     

改进U-Net网络的多视觉图像特征张量分割仿真

针对图像分割计算量大、噪声因素影响等问题,提出改进U-Net网络的多视觉特征图像分割方法。对同一窗口中的灰度值排序,计算像素点极大值与极小值,根据角度与像素点的关系,检测噪声点,将被污染的噪声点放入集合中,使用其它像素点替换该点,完成滤波;分别从颜色、纹理与形状三个方面提取图像的多视觉特征,为图像分割提供参考依据;利用编码器、解码器和跳跃连接层建立U-Net网络,将提取的特征作为网络输入,新增深度残差模块,经过残差学习,实现特征映射;引入注意力模块,减少特征维度,确定张量权重,利用池化层拼接特征维度,输出最终分割特征张量。实验结果表明,所提方法对于分割目标的敏感度较高,不容易出现过分割与欠分割现象。     

基于散乱点云的飞机蒙皮缝隙识别算法

针对数字化测量技术,研究基于散乱点云的飞机蒙皮对缝特征识别方法,力求快速定位对缝点并提取其空间特征;建立基于张量投票的点云特征模型,对缝隙点的识别方法进行研究,以多模型拟合技术获取多条拟合直线,进一步通过最小二乘法得到最终拟合直线.分析点云数据的几何信息,利用强化策略加强缝隙特征.实验结果表明,该方法能够有效提取飞机蒙...     

基于快速直线段提取的道路标识线识别算法

在道路图像中,为了得到比较理想的车道标识线边缘,首先采用Canny算子对道路图像进行边缘提取,然后,利用基于链码跟踪的快速直线段提取方法,将边缘图像中弯曲度超过预设周值的线段剔除,并使用长度判别与方向判别,过滤掉图像中的不可靠标识线边缘.在提取车道标识线边缘的过程中,提出了基于线段连接势能最小化原理的线形连接方法,得到可靠的候选标识线边缘.最后,通过点方向投票POV(Point Orientation Vote)以及重心计算确定道路的边界.结果表明,文中方法在复杂的道路环境中能够很好地获得道路标识线的信息,具有快速、鲁棒性好、实用性强的特点.     

基于消失点和主方向估计的道路分割算法

现有基于消失点估计的道路分割算法要求消失点位于图像内部,并且算法计算复杂度高,难以排除局部纹理特征较强的干扰点.针对这些问题,提出一种基于道路主方向的消失点估计和道路分割算法.首先根据道路主方向的定义对有效投票点进行筛选,然后提出一种多维投票策略,记录待定消失点在各纹理方向的投票信息,并运用该信息判断消失点是否在图像内;最后提出基于道路主方向的边界拟合策略,利用多维投票数据来进行道路边界提取.主观评价和量化分析表明,与经典算法相比,所提算法具有更好的精确度和执行速度,并且当消失点位于图像外部时算法仍有较好的分割效果.     

基于GA的SAR图像中主干道路提取

从高分辨率合成孔径雷达(SAR)图像中提取道路及其他线性特征已成为目前遥感图像信息提取研究的热点。由于高分辨率SAR图像中，目标背景复杂，同时由于受相干斑噪声的影响，因此很难直接从原始图像数据中提取道路特征。为了能够从背景复杂，受斑点噪声干扰的高分辨率SAR图像中准确提取道路，提出了一种利用遗传算法提取主干道路的方法。该方法利用模糊C均值聚类法对滤波后的SAR图像进行无监督聚类，首先将图像分为林地、建筑物、道路等基本类，并将道路类像素从图像中分离出来，使问题得到简化；然后根据道路类像素的隶属度和道路像素灰度值的均匀特性来建立具体的道路模型；最后利用遗传算法搜索全局最优道路。实验结果表明，该方法可以很好地从SAR图像中提取各种主干道路。     

应用分形维数的自适应张量投票算法

张量投票算法是感知聚类方法中一种比较常用的计算方法,可以应用到图像处理等各个方面,具有较强的鲁棒性,非迭代等特性。张量投票算法中尺度参数的自适应选取对于投票域的建立起着至关重要的作用。通过分形维数来选取尺度参数,建立了尺度参数与分形维数的关系,提出了基于分形维数的自适应张量投票算法,并将该方法应用于图像的线特征提取和边缘修复。与传统的张量投票算法进行比较,该方法在图像线特征提取和边缘修复方面获得了较好的实验结果。     

利用邻域质心投票从分类后影像提取道路中心线

目的 利用分类算法对高分辨率影像中的道路进行分割时,得到的二值图像往往混杂了许多非道路区域,且道路区域呈面状,无法直接应用于生产与研究。针对该问题,提出一种利用邻域质心投票提取道路中心线的算法。方法 首先检测像素在各方向上的连通距离以构建邻域多边形,随后进行质心投票来提取道路的中心线,与此同时估算道路宽度并判断出连通距离较长的方向数目,以排除非道路区域的干扰,最后经形态学处理得到细化的中心线。结果 选取测试图像及具有不同道路分布特征的高分辨率航空影像的分类结果进行实验,并将该算法与Zhang和Couloigner提出的算法进行了对比分析。结果显示,该算法的提取质量为80.6%和79.0%,且计算效率较高,处理实际影像的用时小于参考算法的20%,此外在稳定性及对不同路宽的适应性等多个方面均具有优势。结论 提出一种邻域质心投票算法,该算法能够同时实现传统方法中提纯与中心线提取两个步骤所对应的功能,从分类影像直接提取道路中心线。实验结果表明,该算法能够根据形状特征有效检测道路,且具备一定抗干扰能力,适用于对混杂了非道路区域的高分辨率影像的分类结果进行处理。     

Inference of segmented color and texture description by tensor voting

A robust synthesis method is proposed to automatically infer missing color and texture information from a damaged 2D image by (N)D tensor voting (N > 3). The same approach is generalized to range and 3D data in the presence of occlusion, missing data and noise. Our method translates texture information into an adaptive (N)D tensor, followed by a voting process that infers noniteratively the optimal color values in the (N)D texture space. A two-step method is proposed. First, we perform segmentation based on insufficient geometry, color, and texture information in the input, and extrapolate partitioning boundaries by either 2D or 3D tensor voting to generate a complete segmentation for the input. Missing colors are synthesized using (N)D tensor voting in each segment. Different feature scales in the input are automatically adapted by our tensor scale analysis. Results on a variety of difficult inputs demonstrate the effectiveness of our tensor voting approach.     

Tensor voting for image correction by global and local intensity alignment

This work presents a voting method to perform image correction by global and local intensity alignment. The key to our modeless approach is the estimation of global and local replacement functions by reducing the complex estimation problem to the robust 2D tensor voting in the corresponding voting spaces. No complicated model for replacement function (curve) is assumed. Subject to the monotonic constraint only, we vote for an optimal replacement function by propagating the curve smoothness constraint using a dense tensor field. Our method effectively infers missing curve segments and rejects image outliers. Applications using our tensor voting approach are proposed and described. The first application consists of image mosaicking of static scenes, where the voted replacement functions are used in our iterative registration algorithm for computing the best warping matrix. In the presence of occlusion, our replacement function can be employed to construct a visually acceptable mosaic by detecting occlusion which has large and piecewise constant color. Furthermore, by the simultaneous consideration of color matches and spatial constraints in the voting space, we perform image intensity compensation and high contrast image correction using our voting framework, when only two defective input images are given.     

Edge-preserving color image denoising through tensor voting

This paper presents a new method for edge-preserving color image denoising based on the tensor voting framework, a robust perceptual grouping technique used to extract salient information from noisy data. The tensor voting framework is adapted to encode color information through tensors in order to propagate them in a neighborhood by using a specific voting process. This voting process is specifically designed for edge-preserving color image denoising by taking into account perceptual color differences, region uniformity and edginess according to a set of intuitive perceptual criteria. Perceptual color differences are estimated by means of an optimized version of the CIEDE2000 formula, while uniformity and edginess are estimated by means of saliency maps obtained from the tensor voting process. Measurements of removed noise, edge preservation and undesirable introduced artifacts, additionally to visual inspection, show that the proposed method has a better performance than the state-of-the-art image denoising algorithms for images contaminated with CCD camera noise.     

基于最小截取二乘法的道路线形识别算法

根据道路线形的特点，在道路数据采集车获得道路的坐标原始数据的基础上，利用基于Hough变换的直线和圆曲线提取算法对数据进行分组，然后利用基于最小截取二乘法（LTS）的选权迭代法对数据进行平差，从而实现道路线形识别的目的。最后利用条件平差对道路各段线形参数进行平差，得到线形参数的最优化结果。利用本文提出的道路线形识别算法，从原始数据中提取线形参数，进行道路线形识别，在实践中取得了良好的效果。     

高分辨率航空图像的道路中心线提取法

在高分辨率航空或卫星图像中提取道路特征具有越来越重要的实际意义。道路与背景通常存在灰度差异,论文首先求取高斯平滑图像的偏导数,进而确定图像中的脊点,然后根据连接准则连线,再构造判别规则删除道路虚警,最后利用Canny边缘图修正道路中心线。算法还对交点区域进行了有效处理。实验证明,该方法在一定程度上能够消除树、建筑物阴影和汽车对道路提取造成的影响,提取的道路中心线比较准确,能为道路网检测的后续处理提供重要的数据支持。     

Color image segmentation using tensor voting based color clustering

A novel color image segmentation method using tensor voting based color clustering is proposed. By using tensor voting, the number of dominant colors in a color image can be estimated efficiently. Furthermore, the centroids and structures of the color clusters in the color feature space can be extracted. In this method, the color feature vectors are first encoded by second order, symmetric, non-negative definite tensors. These tensors then communicate with each other by a voting process. The resulting tensors are used to determine the number of clusters, locations of the centroids, and structures of the clusters used for performing color clustering. Our method is based on tensor voting, a non-iterative method, and requires only the voting range as its input parameter. The experimental results show that the proposed method can estimate the dominant colors and generate good segmented images in which those regions having the same color are not split up into small parts and the objects are separated well. Therefore, the proposed method is suitable for many applications, such as dominant colors estimation and multi-color text image segmentation.